Китайские компании активно внедряют большие модели в сложные системы — об этом говорят прогнозы IJCAI 2026. Как отмечает конспект, если раньше в индустрии ИИ основное внимание уделялось тому, чья модель мощнее, то теперь ключевой вопрос — как интегрировать модель в сложную систему. Большие модели становятся центральным элементом для реорганизации интеллектуальных функций: они понимают задачи, выбирают инструменты для их выполнения, извлекают нужные знания, сохраняют информацию и корректируют действия на основе обратной связи из среды.
История развития идей об интеллекте уходит корнями в прошлое: ещё в 1986 году Марвин Мински в книге The Society of Mind выдвинул идею, что интеллект может возникать не из единого «мозга», а из множества агентов, взаимодействующих между собой. Современные большие модели обладают инструментами вызова, памятью, визуальным пониманием и способностью к действиям. В индустрии ключевые термины сменились: с «эмерджентность» на «Agent», с «выравнивание» на «Computer Use».
Конференция IJCAI пройдёт в Бремене (Германия). В повестке — темы Agent, Multi-agent, Robotics, Reinforcement Learning. Большие модели с мощными возможностями языкового понимания и рассуждений пытаются интегрироваться в соответствующие системы.
Разные китайские компании выбирают разные стратегии развития. Например, Alibaba фокусируется на создании «навыков» для Agent, а ByteDance — на накоплении опыта. Qwen-CUA выводит модель на этап Computer Use: она выполняет задачи через наблюдение за экраном, управление мышью и клавиатурой, без опоры на веб‑структуру или специальные интерфейсы. Qwen DianJin ориентирован на финансовых агентов: его возможности разделены на модули — Process Reward Model, вызов инструментов, Skill Library. Fin‑PRM принят к публикации на IJCAI 2026.
ByteDance (Seed) на IJCAI 2026 представляет работу GUI‑ReWalk. Цель — масштабное создание траекторий обучения для GUI‑агентов через случайное исследование, вывод намерений, рефлексию и восстановление после ошибок. Alibaba решает вопрос «что умеет агент», ByteDance — «как агент учится». Ключевой барьер развития агентов — источник высококачественных данных об операциях.
Другие китайские компании тоже активно работают в этом направлении. Baidu встраивает модели в существующие системы: MapAgent объединяет визуальную модель, логический вывод, Planner, вызов инструментов и проверку результатов в процесс создания карт. Baidu Map превращает функции поиска мест, планирования маршрутов, отображения пробок в сервисы для вызова ИИ. Tencent опирается на накопленные компетенции (рекомендации, поиск, отношения пользователей, обучение на графах, мультиагентные исследования) — большие модели не заменяют эти системы, а могут их интегрировать.
Huawei участвует в инфраструктурных аспектах ИИ. Сотрудники Huawei участвовали в организации GenAIK‑NORA Workshop на IJCAI‑ECAI 2026 (тематика: графы знаний, память агентов, планирование, использование инструментов, координация мультиагентных систем). Ссылка на обзор работ Huawei на IJCAI 2026: Huawei сталкивается с задачей формирования замкнутого цикла из моделей, вычислительных мощностей, терминалов и промышленных сценариев.
Научные исследования также активно развиваются. Команда Фуданьского университета в работе «Reward Hacking in the Era of Large Models» исследует риск того, что модель при обучении через механизм вознаграждений будет оптимизировать показатели в ущерб истинным целям — это особенно важно для Agent. В tutorial от Цинхуа для IJCAI обсуждается scalable intelligence under limited supervision: рост возможностей моделей может зависеть не только от увеличения данных и вычислительных мощностей, но и от взаимодействия, повторного использования опыта и адаптивного обучения.
На IJCAI 2026 Nicholas Jennings получил Research Excellence Award за работу в области multi-agent coordination, human-agent teamwork и autonomous agents; David Parkes получил John McCarthy Award за исследования в области пересечения AI и экономики, в частности по механизму дизайна в среде с множеством агентов. Выступление Jennings называется «The Past, Present and Future of Agentic AI». Он считает, что следующий этап развития Agent — не усиление отдельных агентов, а сотрудничество, координация, переговоры и коллективное принятие решений.
В 2025 году DeepSeek сместил фокус китайской индустрии на reasoning, RL и test-time compute. Технологическая цепочка от reasoning к planning, от planning к tool use, от tool use к environment interaction и к reward ведёт к созданию более целостной системы, а не просто более крупной модели.
Отдельно стоит отметить направление Physical AI, которое решает проблемы действий в реальном мире — в отличие от Agent, который работает в цифровом мире. На IJCAI 2026 награду Computers and Thought Award получил Jiajun Wu за работу «Building Visual and Physical Intelligence Through Code», которая фокусируется на сочетании компьютерного зрения, генеративного ИИ и робототехники.
Китайские компании ищут новые направления. Например, «» изучает переход от моделей к инфраструктуре Agent (объединение моделей, корпоративных баз знаний, MCP, вызовов инструментов и отраслевых сценариев), а «» делает упор на открытую экосистему (Foundation Model, Agent, Embodied AI и открытые исследования). Платформенные компании (например, «», «») могут первыми поставить Agent перед сложными средами — их задачи (распределение доставки, планирование маршрутов, прогнозирование спроса) связаны с оптимизацией, планированием и обучением с подкреплением.
Большие модели ведут ИИ от prediction к intervention: системы должны не только предсказывать, но и понимать последствия действий (Judea Pearl подчёркивал разницу между предсказанием и вмешательством). IJCAI 2026 связывает прошлые направления исследований в ИИ (Agent, Multi-agent, Robotics, Reinforcement Learning, Neuro-symbolic AI) через большие модели. Ключевым фактором в китайском ИИ теперь может стать не мощность модели, а системные возможности.
：IJCAI：
Подписаться в Макс
